AI Research Handbook

外观

代码与项目工具链 ​

工具链不是软件清单，而是从创建项目到交付结果的一组可追溯接口。选择工具时优先考虑透明、可复现和团队可维护。

项目管理工具流 ​

  1. 01GitHub Repository
  2. 02WSL / Linux → SSH → 编辑器 → tmux + zsh
  3. 03Conventional Commits → branch / worktree
  4. 04Releases / Pages → 协作与交付

Git 记录代码演化，Worktree 让同一仓库的多个实验分支在不同目录并行推进，LFS 或外部存储管理大文件，Release 固化可引用版本。不要把数据、权重和日志不加区分地提交进普通 Git 历史。

前后端开发与部署 ​

前端 ​

用 fnm / nvm 管理 Node.js，基于 Vite 选择 Vue、React 或 Svelte，并在项目需要时加入 TypeScript 与 Tailwind CSS。只有存在明确桌面端需求时，再引入 Electron 或 Tauri。

后端 ​

用 uv 管理 Python 环境和依赖，FastAPI 适合快速构建异步 API；根据数据规模和并发需求选择 SQLite、PostgreSQL 或 MySQL，而不是默认上最重方案。

部署 ​

静态前端可托管在 Cloudflare Pages、Netlify 或 Vercel。后端可以 Docker 化；只有规模真正需要时再引入 Kubernetes。Nginx 用于反向代理与负载均衡，Cloudflare Workers / KV / R2 可承担适合 Serverless 的计算与存储。

深度学习实验流 ​

  1. 01Python + uv
  2. 02PyTorch / JAX / Lightning
  3. 03小样本闭环测试
  4. 04W&B / SwanLab 记录配置与指标
  5. 05批量训练 → 评估 → 表格与图

框架选择服从已有代码与团队能力。实验跟踪工具应记录配置、代码版本、数据版本、曲线和产物，但关键结果仍需导出为项目内可审查的数据表。

AI Agent 开发生态 ​

可以使用成熟脚手架快速验证 Agent 工作流，也可以按研究需求实现轻量交互逻辑。选择标准不是框架名气，而是核心流程是否透明、可调试、可消融，Token 与运行成本是否可控。对论文中的关键机制，应确保能清楚定义、独立验证并稳定复现。

Coding Agent 交接清单 ​

让 Agent 修改实验代码前，提供：

  • 成功标准与要验证的 Claim。
  • 目录结构、入口命令和相关测试。
  • 数据 Schema、评价协议与禁止改动的边界。
  • 最小复现样本和完整错误信息。

Agent 完成后，亲自检查差异、运行测试，并在小数据上核对输入与输出。能运行不等于实验正确。

本页解释工具如何组成工作流。具体安装、高频命令与故障排查可在附录的 工具手册 中按工具名或任务检索。